结合空间信息的模糊C均值聚类的图像分割算法

针对传统的模糊C均值聚类算法未考虑图像的空间信息,对噪声图像分割不理想,提出了一种结合空间信息的模糊C均值聚类的图像分割算法。此算法充分考虑像素的邻域特性,对隶属度函数做一定的修改,并将局部信息和非局部信息引入到数据和聚类中心的相异性测度中。实验结果表明,该算法能有效地分割图像,并具有较好的抗噪能力。     

基于支持向量机的模糊回归估计

针对给定的大规模数据集的回归估计问题，提出基于支持向量机的模糊回归估计方法.该方法把复杂的数据集看作多个群体的混合，每个群体采用单一的回归模型进行描述，使得大规模数据集的回归估计问题变成了一个多模型估计问题.在此基础上把支持向量机与模糊C聚类结合起来得到基于支持向量机的模糊回归模型，并给出了实现该模型回归估计的算法.该方法对大规模的数据样本进行模糊C聚类，并回归估计各聚类的数据样本.数值仿真结果表明，该方法在聚类数据样本的同时能实现多个模型的回归估计，而且模糊隶属度的初始化影响要小于其他的模糊回归估计方法.     

基于模糊隶属度的近红外光谱模型鲁棒性分析

针对近红外光谱模型存在的鲁棒性问题,在模型建立时引入模糊隶属度,提出了一种自动生成模糊隶属度的方法。建立光谱样本的数据域描述函数,引入信任因子和舍弃因子,通过映射关系得到模糊隶属度函数,参数寻优后自动生成每个样本的模糊隶属度。在此基础上建立了基于FSVM的苹果糖度回归模型。试验结果表明,对比常规的MLR、PLSR和SVM模型,FSVM模型在训练样本变化和高斯噪声、乘性噪声、基线漂移、基线倾斜和波长漂移这5种噪声的分别作用下表现出最佳的性能。模糊隶属度的引入提高了近红外光谱模型的泛化能力和抗噪能力,改善了模型的鲁棒性。     

自动调整样本和特征权值的模糊聚类算法

针对模糊c均值聚类算法对特征噪声和样本噪声较敏感的缺陷,依据特征和样本对聚类的不同影响,将特征权值和样本权值引入到模糊c均值聚类的目标函数,并获得了一个模糊聚类模型。利用拉格朗日方法对该模型求解,提出了样本和特征权值自动调整的模糊聚类算法;同时,将核策略引入到该模糊聚类模型,提出了样本和特征权值自动调整的核模糊聚类算法。实验结果表明该方法对含有特征噪声与样本噪声数据的聚类具有较好的处理能力,为特征提取与样本选取等问题提供了一种可行的途径。     

基于ISODATA算法的自组织单输入单输出T-S模糊系统

T-S模糊模型已得到了广泛的研究与应用.但在该模型的建模过程中,在结构辨识、参数优化等方面仍存在一些不足,为此提出了一种基于ISODATA算法的自组织T-S模糊系统.该方法基于输入输出数据,分两步对模糊系统进行建模.第一步,使用基于线性原型的ISODATA算法,对输入输出数据进行聚类,确定系统结构.第二步,建立初始T-S模糊系统,然后使用粒子群算法优化系统参数.与传统方法相比,具有自动优化系统结构的优点.仿真结果验证了该方法的有效性.     

基于聚类算法的C-R模糊模型结构辨识

工业过程中多数系统呈现出非线性、时变性和多模态性等特征,往往难于用机理建模的方法建立它的模型,因此利用系统的输入和输出数据进行非机理建模是非常有意义的。对C-R模糊模型进行了改进,应用关系度聚类算法在线辨识出系统的模态,即系统C-R模型的模糊子空间的数目,提出了C-R模糊模型的聚类建模方法,仿真结果表明了该算法的有效性,节省了运算时间,简化了运算过程。     

应用聚类和模糊神经网络方法设计模糊规则库

基于聚类技术和模糊神经网络提出一种新的自动生成模糊系统规则库的设计方法．采用结构辨识和参数辨识相结合的方法，构造模糊系统完善的模糊规则库．用此设计方法对函数逼近问题进行仿真，结果表明该方法具有规则数目少、学习速度快、建模精度高等特点．     

自适应的模糊C均值聚类算法

针对模糊C均值聚类算法对聚类数预先不可知的缺陷,提出了自适应的模糊C均值聚类算法,该算法利用已有的有效性函数自动确定聚类数目,继而进行模糊聚类,实验表明,该方法无须人工的干预,并且具有良好的有效性和可行性．     

基于模糊聚类多变量系统的模糊辨识方法

提出了一种基于模糊聚类和卡尔曼滤波方法的模糊辨识方法,该方法是基于模糊聚类,计算给定样本在各类中的隶属度,利用卡尔曼滤波器辨识模糊模型的结论参数,给出了详细算法和Ｂｏｘ－Ｊｅｎｋｉｎｓ数据的辨识结果。     

基于噪声距离的低对比度图像抗噪分割算法

针对核空间模糊局部信息C-均值聚类算法(KWFLICM)对低对比度图像抗噪性差的不足,提出一种基于噪声距离的核空间模糊局部信息C-均值聚类算法。该算法在KWFLICM算法的基础上改变隶属度约束条件并引入噪声距离δ获得一种改进的聚类目标函数,并借鉴现有噪声聚类思想构造出具有良好抗噪性的模糊聚类迭代隶属度和聚类中心表达式,最后给出相应的聚类分割算法。实验结果表明,该改进算法对于椒盐噪声干扰的对比度较弱的灰度图像比KWFLICM聚类分割算法更有优势。     

模糊神经网络用于非线性系统模型辨识

提出了一种非线性系统的模型辨识方法。在只有被辨识系统的输入输出数据的情况下,利用一种无监督的聚类算法来进行结构辨识,从而自动获得模糊规则库,并可以得到模糊系统的初始参数。在聚类的基础上,构造一个与之相匹配的模糊神经网络,用它的学习算法来训练网络得到一个精确的模糊模型,从而实现参数辨识。同时,证明了所构造的模糊神经网络具有通用逼近能力,这个能力在模糊建模和模糊控制方面非常有用。通过对两个非线性系统辨识的仿真结果验证了该方法的有效性。     

基于模糊神经网络的模糊辨识方法及其应用研究

利用模糊神经网络（FNN）的学习能力从控制操作的现场数据中获取模糊规则,并自动调节隶属函数,把建模的过程转化为FNN网络结构多数的生成与学习问题。用于一个非线性过程的模糊模型参数辨识问题,取得了满意的结果。     

基于模糊聚类的复杂系统资源调度

为了提高复杂软硬件系统的资源利用率、及时响应实时任务, 采用模糊聚类方法建立了任务-资源模糊聚类分析模型.用平均距离表示模糊集的隶属度, 并定义了模糊相似系数, 设计了资源聚类算法(resource clustering algorithm, RCA), 将历史任务-资源库里的任务与实时任务进行聚类.系统根据聚类结果分析实时任务资源占用情况, 从而实现系统对实时任务的快速响应.在某复杂软硬件系统上进行了仿真测试, 结果表明所提算法可实现资源的合理调度.     

一种新的模糊神经元网络建模方法

基于零阶Ｔ－Ｓ模糊模型,本文指出了一种实用的输入输出的数据进行复杂系统的模糊神经元网络建模的方法,该方法的主要目的是解决模糊神经元网络中结构辨识的困难。 种所谡语言模型被用来寻找系统输入变量的最佳组合。     

Identification of Fuzzy System Via Fuzzy Competitive Learning Method

omInretentyeare,researchershavestUdiedfhazyInodelidenhficationtodealwithcomplex,ill-conditionedanduncertainsystems,inwhichtheconvenhonalmathematicalrnodlrnayfailtogivesatisfactoryresu1tS.Thestudieshavemainlyincludedtwodifferentapproaches.oneaPproachisbasedonfhazyrelationaleqUahonst'.'].ItistheoreticanYclear,hutInaystherdifficultiessincethesolutionofafhazyrelationaleqUationisusuallynotuniope,andsomehmesitevendoesnotealstatall.Theotherismorepop.l.['-'1,inwhichafhazywheliscom~offhazylingUisti…     

Mercer Kernel Based Fuzzy Clustering Self-Adaptive Algorithm

A novel mercer kernel based fuzzy clustering self-adaptive algorithm is presented. The mercer kernel method is introduced to the fuzzy c-means clustering. It may map implicitly the input data into the high-dimensional feature space through the nonlinear transformation. Among other fuzzy c-means and its variants, the number of clusters is first determined. A self-adaptive algorithm is proposed. The number of clusters, which is not given in advance, can be gotten automatically by a validity measure function. Finally, experiments are given to show better performance with the method of kernel based fuzzy c-means self-adaptive algorithm.     

模糊分级系统在试卷命题评价中的应用

随着模糊理论的日益成熟,模糊理论的方法已经成功应用于各个领域,特别在教育分级系统评价中的应用。在文[14]的基础上,研究了一个自动构建宽松等级、严格等级、正常等级的分级隶属函数,基于构建的分级隶属函数,运用插值技术,通过模糊推理给出分数,最终得出试卷命题的评价结果。拟合曲线结果表明,此方法是一种有效、合理、公平的试卷命题评价方法。     

一种改进的模糊核聚类算法

文章提出了将HCM,FCM和核方法结合在一起的,一种改进模糊核聚类算法。该算法的思想是将样本数据映射到特征空间,然后在特征空间内计算类中心、隶属度以及距离表达式,再在特征空间内进行模糊聚类,并且针对个别样本（即隶属度比较接近的样本）加入了截集因子确定样本的归属,确保聚类的效果。实验结果表明,与传统的模糊聚类算法相比,改进的模糊核聚类算法在多种数据结构条件下可以有效地进行聚类,总体性能优于HCM,FCM和FKCM。     

模糊K-Harmonic Means聚类算法

对K-Harmonic Means算法进行扩展,考虑到数据点对不同类的隶属关系,将模糊的概念应用到聚类中,提出了模糊K-Harmonic Means算法,推导出聚类中心和模糊隶属度的迭代公式．在中心迭代聚类算法统一框架的基础上,推导出FKHM算法聚类中心的条件概率表达式以及在迭代过程中的数据加权函数表达式．最后,用Folkes & Mallows指标对聚类结果进行评价．实验表明,模糊K-Harmonic Means(KHM)算法在聚类对于初值不敏感的同时提高了聚类结果的精确度,达到较好的聚类效果．